Préambule

Cet article tente d’étudier l’impact du changement climatique sur le risque d’apparition d’une des maladies principales du gazon : le dollar spot. L’étude utilise un modèle météorologique récent (modèle Smith-Kerns) et des données fiables des stations SYNOP de Météo France qui mesurent différents paramètres météorologiques depuis 1996 sur l’ensemble du territoire français.

Il est téléchargeable au format *.pdf en cliquant sur le lien suivant.

Un article plus court issu de cette étude a été publié sur le magazine “Terrains de Sports” numéro 144 en Mars 2019. Il est consultable en cliquant sur le lien suivant.

Auteur : R. GIRAUD

Introduction

Le dollar spot est une maladie fongique du gazon causée par les champignons du genre Clarireedia1. Dans les zones climatiques tempérées, c’est la maladie la plus impactante sur les surfaces engazonnées2–4. Sur le territoire français, elle constitue avec la fusariose froide (Microdochium nivale et majus) la menace la plus importante sur les parcours de golf. La maladie cause en effet des dégâts considérables sur les surfaces à forte maintenance et faibles hauteurs de tonte comme les greens ou fairways2,4 (voir figure 1). Elle peut également se développer sur des surfaces engazonnées moins intensives comme les terrains de sports ou pelouses d’agrément4,5. Le champignon pathogène touche aussi bien les graminées de saison froide (agrostis sp., festuca sp., lolium sp., poa sp.) que les graminées de saison chaude (cynodon sp., paspalum vaginatum, zoysia sp.)1,5. Les dégâts occasionnés réduisent la qualité esthétique des surfaces touchées mais également leur jouabilité avec un impact économique considérable. Le manque à gagner vient d’une part de la diminution de la qualité de la surface et d’autre part du coût des traitements dont le prix moyen augmente d’année en année. De plus, la résistance du dollar spot à différentes familles chimiques de fongicides a largement été observée6–15 jusqu’à la dernière génération de fongicide16. Dans le cas de résistance avérée, l’efficacité des fongicides est largement diminuée ce qui pousse l’intendant à augmenter la fréquence de traitement ou les doses d’application.

Dollar Spot sur green de golf
Figure 1 : symptômes du dollar spot sur green de golf en Normandie.
Photographie : R. GIRAUD. Licence : Clinique du gazon, tous droits réservés

Le dollar spot a été découvert en 1937 par F.T. Bennett17. Pourtant, la compréhension de sa biologie et de son épidémiologie reste encore peu claire. La large gamme de températures où l’infection est possible (15 à 30°C) et un manque d’efficacité des techniques culturales a mené à une utilisation quasi-systématique de fongicides pour contrôler efficacement le pathogène2,4,18.

Récemment, plusieurs scientifiques américains ont mis au point un modèle météorologique de probabilité d’apparition du dollar spot19. Développé à partir d’un monitoring de différents paramètres météorologiques et plus de 7182 observations sur greens et fairways de golfs, il estime par régression logistique la probabilité d’apparition de la maladie. Dans le modèle, deux paramètres sont utilisés : l’humidité relative et la température de l’air. Plus précisément, ce sont les moyennes sur 5 jours consécutifs de ces deux paramètres qui sont utilisées. Le modèle a été validé avec succès à partir des données de plusieurs sites aux USA entre 2010 et 2016. Il a permis dans certains cas d’économiser jusqu’à 3 passages de fongicides19 par rapport à une méthode classique de traitement calendaire impliquant un traitement toutes les 3 semaines lors des périodes d’épidémies. Le nouveau système consiste à effectuer des applications lorsque le seuil de probabilité d’apparition de la maladie estimé à partir du modèle dépasse 20%. Ce seuil permet en effet d’obtenir une fiabilité statistiquement équivalente aux traitements calendaires tous les 21 jours. Ainsi, ce modèle constitue un excellent outil d’aide à la décision pour les intendants. Il permet également une meilleure compréhension des conditions d’apparition du dollar spot.

Différentes publications étudient les conditions météorologiques propices aux conditions d’apparition de la maladie20–24. Il a ainsi été démontré que le risque d’infection augmente avec la température depuis 15°C jusqu’à 35°C avec une forte humidité nécessaire sur un minimum de 2 jours consécutifs20. Une autre étude recommande une application de fongicide lorsque la température de l’air dépasse 25°C et que l’humidité relative est supérieure à 90% pendant 3 jours sur une période de 7 jours24. Dans le nouveau modèle décrit précédemment, le risque d’apparition du dollar spot augmente avec l’humidité et la température avec un risque maximal pour des températures comprises entre 25 et 30°C et des humidités supérieures à 80%19 (voir figure 2).

Modèle Smith Kerns de probabilité d'apparition du dollar spot
Figure 2 : graphique en trois dimensions du modèle Smith-Kerns : probabilité d’apparition du dollar spot (%) en fonction de la température moyenne de l’air (°C) et de l’humidité relative (%).

Dans un contexte de réchauffement climatique25,26, il est utile à l’échelle du territoire français, d’étudier l’impact de ce changement sur l’incidence des pathogènes du gazon. Par l’intermédiaire du nouveau modèle de prédiction d’apparition du dollar spot et des données de stations météorologiques françaises sur plus de 20 ans, cet article tente d’identifier l’impact du changement climatique sur le développement de la maladie. A ma connaissance, aucun travail de ce type n’a été réalisé sur le territoire français.

Matériel et méthode

Météo France propose désormais le téléchargement sous licence ouverte d’Etalab des données du réseau synoptique (SYNOP) : un réseau mondial de stations fournissant des données complètes mesurées toutes les 3 heures. Le territoire français compte 62 stations installées pour la plupart dans des aérodromes ou aéroports. L’historique des données permet de remonter jusqu’en 1995 soit 23 ans de données météorologiques. Du fait des quantités très importantes de données, il a été choisi de réaliser des scripts sous le logiciel gratuit R (https://www.r-project.org/) permettant l’extraction et le traitement rapide du jeu de données. Les scripts d’extraction et de traitement sont téléchargeables sur le site de la clinique du gazon (http://cliniquedugazon.fr/fichiers/dollarspotmeteo/). Sur les 62 stations, 21 ont été sélectionnées sur le territoire avec une répartition se voulant représentative de l’ensemble des climats présents sur le territoire français (voir figure 3).

Carte localisation stations SYNOP
Figure 3 : Localisation des stations utilisées dans l’étude : 21 stations réparties sur l’ensemble du territoire avec des climats contrastés. Crédits : Google Earth Pro.

Probabilité d’apparition du dollar spot sur 22 ans de données climatiques

Dans le script, des moyennes journalières des températures de l’air et de l’humidité relative sont d’abord calculées de 1997 à 2018 (soit 22 ans de mesures réalisées toutes les 3 heures pour 21 stations). Ensuite, conformément au modèle de Smith et Kerns, des moyennes sont calculées sur cinq jours consécutifs19. Enfin, la probabilité d’apparition du dollar spot est estimée par régression logistique à l’aide de la formule suivante :

    \[   \pi(\mu) = \frac{e^{logit(\mu)}}{1+e^{logit(\mu)}} \]

Avec :

    \[ logit(\mu)=-11.404+0.089\times H_{rel.}.+0.193\times T_{air} \]


Où :

  • H_{rel.} est l’humidité relative de l’air (%)
  • T_{air} est la température de l’air (°C)

Ainsi, pour chaque station, la probabilité d’apparition du dollar spot a été calculée depuis 1997 jusqu’à 2018.

Smith et Kerns ont établi un seuil de probabilité à partir duquel un traitement doit être déclenché. Ce seuil permet d’obtenir la même efficacité que des traitements réalisés tous les 21 jours : il a été fixé à 20%. Il a donc été choisi ici de calculer depuis 1997 jusqu’à 2018 le nombre de jours annuels où la probabilité d’apparition du dollar spot dépasse les 20%. Ce nouveau paramètre est plus intéressant qu’une moyenne car il permet la comparaison de l’ensemble des années en ce qui concerne le risque d’épidémies de dollar spot. En effet, une moyenne annuelle lisse trop fortement les données alors qu’une moyenne journalière est trop lourde en termes de traitement de données et de visualisation graphique.

Autres paramètres utilisés pour la comparaison des 22 années

Afin de comparer plus finement chaque année, d’autres paramètres et moyennes ont également été calculés pour chaque station :

  • Moyenne des températures (°C)
  • Nombre de jours où la température moyenne sur 5 jours consécutifs dépasse 20°C
  • Moyenne des humidités relatives (%)
  • Nombre de jours où l’humidité relative moyenne sur 5 jours consécutifs dépasse 80%
  • Nombre de jours où l’humidité relative moyenne et la température moyenne sur 5 jours consécutifs dépassent respectivement 70% et 20°C.

Analyse statistique des tendances

Afin de vérifier si des tendances existent depuis 1997 jusqu’à 2018 pour l’ensemble des paramètres décrits précédemment, un test statistique de Mann-Kendall a été réalisé à l’aide du package « Trend ». Le package est disponible pour le logiciel R (https://cran.r-project.org/web/packages/trend/index.html).

Ce test non paramétrique est classiquement utilisé dans les différentes sciences environnementales pour analyser les tendances de séries chronologiques27,28.  L’hypothèse H0 testée est « l’absence de tendance ». Si p<α, seuil de significativité choisi, l’hypothèse H0 est rejetée et on conclut à l’existence d’une tendance significative. Le seuil de significativité utilisé ici est de 0.05%. Ce test a été réalisé sur l’ensemble des paramètres décris précédemment.

Résultats

Probabilité d’apparition du dollar spot sur le territoire français

Sur 22 ans, la probabilité d’apparition moyenne de la maladie est variable suivant la localisation géographique (voir figures 4 et 5).

Historique du risque d'apparition de dollar spot entre 1997 et 2018
Figure 4 : Histogramme de la probabilité moyenne d’apparition du dollar spot (en %) entre 1997 et 2018 sur les 21 stations sélectionnées. Source : R. GIRAUD, 2018 . Licence : Clinique du gazon, tous droits réservés

Influence de la longitude

Il existe un gradient global Est-Ouest assez marqué c’est-à-dire que le risque d’apparition du dollar spot diminue d’Ouest en Est (voir figure 5). La longitude semble donc avoir un impact important sur l’incidence du dollar spot.

Ceci s’explique par des températures comparables le long de cet axe avec une diminution moyenne de l’humidité relative d’Ouest en Est (voir figure 6). Ce dernier paramètre ayant une forte influence sur l’apparition d’épidémies du champignon pathogène, le risque diminue alors d’Ouest en Est.

Risque d'apparition du dollar spot en fonction de la longitude
Figure 5 : Moyenne de la probabilité d’apparition du dollar spot entre 1997 et 2018 pour les différentes stations en fonction de la longitude : axe Ouest-Est. Le risque diminue d’Ouest en Est. Source : R. GIRAUD, 2018 . Licence : Clinique du gazon, tous droits réservés
Humidité relative moyenne entre 1997 et 2018 en fonction de la longitude
Figure 6 : Moyenne de l’humidité relative entre 1997 et 2018 pour les différentes stations en fonction de la longitude : axe Ouest-Est. L’humidité relative diminue d’Ouest en Est. Source : R. GIRAUD, 2018 . Licence :Clinique du gazon,tous droits réservés

Influence de la latitude

Etonnamment et contrairement aux idées reçues, le risque d’apparition de la maladie est moins corrélé à la latitude. Le risque d’apparition du Nord au Sud est moins marqué, malgré des températures croissantes selon cet axe. Bien évidemment, une tendance existe (risque moyen de 10.3% à Lille contre 15.4% à Nice).

Ceci s’explique par la diminution significative de l’humidité relative du Nord au Sud. Le modèle ayant une plus forte dépendance à l’humidité relative qu’à la température, les effets de l’augmentation de la température dans le Sud sont limités par la diminution de l’humidité (voir figure 7). Ainsi, certaines régions du Sud-Est sont moins touchées par le dollar spot que d’autres : le risque à Montélimar par exemple, est relativement faible par rapport à celui de Nice, il est même comparable à celui de la région parisienne.

Humidité relative moyenne en fonction de la latitude
Figure 7 : Moyenne de l’humidité relative entre 1997 et 2018 en fonction de la latitude : axe Nord-Sud. L’humidité relative diminue significativement du Nord au Sud à l’inverse de la température. Leurs effets respectifs s’annulent dans le modèle d’apparition du dollar spot. Source : R. GIRAUD, 2018. Licence : Clinique du gazon, tous droits réservés

Minimum et maximum

Sur les 21 stations étudiées et selon le modèle, le risque est maximal pour Nice (15%) et Ajaccio (17%) (voir figure 4). Dans ce quart Sud-Est, les températures moyennes sont élevées avec des températures moyennes sur 5 jours consécutifs souvent comprises entre 15 et 25°C. L’humidité relative diminue lors de la période estivale mais reste souvent supérieure à 70%. Le couple humidité relative/température est alors idéal pour des épidémies de dollar spot.

Etonnamment, le modèle calcule une probabilité d’apparition du dollar spot aussi élevée à Ploumanach dans les Côtes-d’Armor (Bretagne) que dans le Sud-Est de la France (voir figure 4). Ceci s’explique par la forte humidité relative présente tout au long de l’année (souvent supérieure à 80%, voir figure 10) couplée à des températures sur 5 jours consécutifs dépassant régulièrement les 15°C en dehors de l’hiver (voir figure 9). Ainsi, selon le modèle de Smith et Kerns, le risque d’apparition du dollar spot dans cette région est comparable à celui du Sud-Est de la France.

Probabilité d'apparition du dollar spot en 2000 pour les stations de Nice et Ploumanach
Figure 8 : Evolution de la probabilité de déclencher une épidémie de dollar spot (risque >20%) durant l’année 2000 à Ploumanach (Côtes-d’Armor) et Nice (Alpes-Maritimes). Le seuil de 20% a été choisi pour ce graphique. C’est le seuil de traitement recommandé par le modèle de Smith et Kerns. Source : R. GIRAUD, 2018. Licence : Clinique du gazon, tous droits réservés
Température moyenne de l'air en 2000 pour les stations de Nice et Ploumanach
Figure 9 : Evolution de la température moyenne de l’air durant l’année 2000 à Ploumanach (Côtes-d’Armor) et Nice (Alpes-Maritimes). La température est nettement supérieure à Nice tout au long de l’année.
Source : R. GIRAUD, 2018. Licence : Clinique du gazon, tous droits réservés
Humidité relative moyenne en 2000 pour les stations de Nice et Ploumanach
Figure 10 : Evolution de l’humidité relative de l’air durant l’année 2000 à Ploumanach (Côtes-d’Armor) et Nice (Alpes-Maritimes). L’humidité est nettement plus élevée à Ploumanach tout au long de l’année à cause de l’influence océanique.
Source : R. GIRAUD, 2018. Licence : Clinique du gazon, tous droits réservés

La probabilité d’apparition de la maladie est faible dans les régions réunissant ces 2 critères :

  • la température moyenne sur 5 jours est rarement supérieure à 20°C.
  • l’humidité relative moyenne sur 5 jours est rarement supérieure à 80%.

Lyon, Lille, Tours, Strasbourg, Bourges, Limoges, la région parisienne et même Marseille semblent peu impactées par dollar spot. A Lyon, la température moyenne sur 5 jours consécutifs peut parfois être élevée (25°C en période estivale par exemple) mais l’humidité relative diminue fortement lors de cette période (aux alentours de 60%). A Nancy, l’humidité relative moyenne est élevée (78%) mais la température moyenne sur 5 jours consécutifs en période estivale est trop faible pour déclencher de fortes épidémies. De même, à Marseille, la température moyenne annuelle sur 5 jours consécutifs est élevée (15.7°C) mais l’humidité relative y est trop faible (65%) avec des minimums en dehors de l’hiver diminuant fortement la probabilité d’apparition du dollar spot (voir annexe 1).

Tendance du risque sur 22 ans

Le test de Mann-Kendall montre que la probabilité moyenne d’apparition du dollar spot sur le territoire français ne suit aucune tendance depuis 22 ans : cette probabilité est fluctuante mais n’augmente ou ne diminue pas significativement entre 1997 et 2018 (voir figure 11). Ainsi, il semblerait que l’évolution du climat n’impacte par significativement la probabilité d’apparition de la maladie.

Probabilité d'apparition du dollar spot moyenne sur 21 stations entre 1997 et 2018
Figure 11 : Evolution de la probabilité d’apparition moyenne sur l’ensemble des stations depuis 1997 à 2018. La droite de régression linéaire semble indiquer une hausse mais elle n’est pas significative suivant le test de Mann-Kendall. Ainsi, le risque fluctue mais n’augmente pas.
Source : R. GIRAUD, 2018 . Licence : Clinique du gazon, tous droits réservés

Le tableau 1 montre les résultats des différents tests de tendance effectués sur les paramètres décris précédemment. L’annexe 2 montre l’évolution de la probabilité d’apparition pour différentes stations.

Ville Nombre de jours où T>20°C Temp. moy. sur 5 jours conséc. Humidité moyenne sur 5 jours conséc. Nombre de jours où proba. Apparition dollar spot >20% Proba. Apparition Dollar Spot Nombre de jours où T>20°C et hum. relat. >70%
ajaccio   *** augm.        
bordeaux            
bourges     *** dim. *** dim. *** dim. *** dim.
caen            
lille     *** dim. *** dim. *** dim.  
limoges            
lyon     *** dim. *** dim.    
marseille            
montelimar *** augm. *** augm. *** dim. *** dim. *** dim.  
mulhouse   *** augm. *** dim. *** dim. *** dim.  
nancy            
nantes            
nice   *** augm. *** dim. *** dim. *** dim. *** dim.
orly     *** dim.      
perpignan     *** dim.     *** dim.
ploumanach     *** dim. *** dim. *** dim.  
rennes            
strasb *** *** augm. *** dim.      
tarbes     *** dim.   *** dim.  
toulouse     *** dim.      
tours     *** dim. *** dim.    

Tableau 1 : Résultats des tests de Mann-Kendall sur les différents paramètres étudiés. *** signifie qu’une tendance significative existe. “augm” implique une augmentation significative du paramètre de 1997 à 2018. “dim” implique une diminution du paramètre de 1997 à 2018. La diminution de l’humidité relative sur un grand nombre de station est bien visible. La diminution de la probabilité d’apparition du dollar spot l’est également.

Il existe des tendances mais elles dépendent de la localisation :

  • Dans 20% des stations, la température moyenne a significativement augmenté en 22 ans (Ajaccio, Montelimar, Nice, Strasbourg, Mulhouse).
  • Cette valeur est plus élevée pour l’humidité relative avec 57% des stations dont l’humidité relative a diminué sur la période (Lille, Lyon, Montelimar, Nice, Orly, Perpignan, Ploumanach, Tarbes, Toulouse, Tours, Bourges et Mulhouse)
  • Dans 67% des stations, aucune tendance n’est observée concernant le risque d’apparition du dollar spot. La probabilité d’apparition du dollar spot n’a donc pas significativement évolué en 22 ans (voir l’évolution pour Marseille sur la Figure 6).
  • A l’inverse, pour 33% des stations, le risque d’apparition du dollar spot a significativement diminué (Lille, Montelimar, Nice, Ploumanach, Tarbes, Bourges et Mulhouse, voir l’évolution de la probabilité pour Lille et Montelimar sur la figure 12).

La diminution de la probabilité d’apparition du dollar spot s’explique par la diminution significative de l’humidité relative moyenne et plus particulièrement hors de la période hivernale.

Les moyennes ne permettent pas de déceler un éventuel étalement des épidémies plus tôt (printemps) ou plus tard (automne) dans la saison. C’est pourquoi le nombre de jours où la probabilité d’apparition du dollar spot est supérieure à 20% est un paramètre additionnel utile. En effet, il renseigne mieux sur l’étalement des épidémies de dollar spot sur chacune des saisons.

Dans 38% des cas, le nombre de jours où le risque est supérieur à 20% est en retrait depuis 1997 avec une tendance significative à la baisse. Ceci s’explique encore une fois par la diminution significative de l’humidité relative, surtout lors des périodes chaudes.

Probabilité d'apparition du dollar spot pour les stations de Lille et Montelimar entre 1997 et 2018
Figure 12 : Exemple de cas où le test de Mann-Kendall indique une diminution significative du risque d’apparition du dollar spot. Pour les stations de Lille et Montelimar, cette diminution de la probabilité d’apparition de la maladie est largement visible à l’aide de ces courbes entre 1997 et 2018. Source : R. GIRAUD, 2018 . Licence :Clinique du gazon,tous droits réservés
Humidité moyenne entre 1997 et 2018 pour le stations de Nice et Bourges
Figure 13 : Exemple de cas où le test de Mann-Kendall indique une diminution significative du risque de l’humidité relative de l’air entre 1997 et 2018. Pour les stations de Bourges et Nice, cette diminution est nettement visible sur ce graphique. Source : R. GIRAUD, 2018 . Licence :Clinique du gazon,tous droits réservés

Discussion et conclusion

Finalement, le jeu de données des stations SYNOP de Météo France confirme un changement climatique avec :

  • Une augmentation des températures moyennes
  • Une diminution de l’humidité relative moyenne

Il semblerait cependant que l’impact de ces changements sur la probabilité d’apparition du dollar spot ne soit pas significatif. En effet, cette probabilité estimée à l’aide du modèle de Smith et Kerns n’est pas impactée en moyenne par ces changements. Dans 33% des cas, cette probabilité d’apparition a même diminué depuis 1997. Cette observation s’explique par la diminution significative de l’humidité relative dans 57% des stations étudiées.

Cette conclusion contredit les croyances en une augmentation des épidémies de dollar spot à l’échelle du territoire français. Les données utilisées dans cette étude sont issues de mesures de stations météorologiques installées dans des aéroports et aérodromes. A l’échelle du golf, l’augmentation des quantités d’eau d’arrosage en conséquence de l’augmentation des températures pourrait engendrer une humidité relative locale plus élevée.

Ceci impliquerait une hypothétique sous-estimation de la probabilité d’apparition du dollar spot par les données des stations météorologiques.
Quoi qu’il en soit, les tendances relevées sont fiables et représentatives des changements climatiques subis depuis 1997.

De plus, plusieurs décennies d’utilisation des mêmes familles chimiques (DMIs, dicarboximides et plus récemment strobilurines) ont favorisé la sélection de souches résistantes avec une diminution progressive de l’efficacité des produits6–15. Ainsi, cette croyance d’une augmentation des épidémies ne serait-elle pas plutôt liée à l’augmentation du nombre de souches résistantes ? La nouvelle famille des SDHIs mise sur le marché du gazon récemment avec deux matières actives différentes (fluopyram, benzovindiflupyr) apporte un nouveau souffle au panel de solutions disponibles et une possible efficacité provisoire. Tout l’enjeu résidera alors dans la bonne gestion des rotations pour limiter l’apparition de souches résistantes à cette famille.

Ceci représente un réel challenge pour les intendants de terrains de sports, d’autant plus que des cas de résistance sont déjà observés aux Etats-Unis et au Japon16.

Chronique d'humidité relative, température et risque d'apparition du dollar spot pour l'année 2009 et pour les stations de Nice et Marseille
Annexe 1 : comparaison de la probabilité d’apparition du dollar spot, de l’humidité relative moyenne journalière et de la température moyenne journalière pour l’année 2009 pour les stations de Nice et Marseille. Source : R. GIRAUD, 2018 . Licence :Clinique du gazon,tous droits réservés
Comparaison de la probabilité d'apparition du dollar spot entre 1997 et 2018 pour différentes stations
Annexe 2 : comparaison de la probabilité d’apparition du dollar spot de 1997 à 2018 dans différentes stations.
Pour les deux graphiques supérieurs, la tendance est significativement à la baisse (Bourges, Lille, Tarbes, Mulhouse).
Pour les deux graphiques inférieurs, il n’y a aucune tendance significative (Ajaccio, Bordeaux, Marseille, Lyon). Source : R. GIRAUD, 2018 . Licence :Clinique du gazon,tous droits réservés

Bibliographie

  1. Salgado-Salazar, C. et al. (2018). Clarireedia: A new fungal genus comprising four pathogenic species responsible for dollar spot disease of turfgrass. Fungal Biology 122, 761–773 https://doi.org/10.1016/j.funbio.2018.04.004
  2. Goodman, D. M. (1991). Biological Control of Dollar Spot Disease of Creeping Bentgrass. Phytopathology 81, 1438 https://doi.org/10.1094/Phyto-81-1438
  3. Vargas, J. M. (CRC Press, 1993). Management of Turfgrass Diseases, Second Edition.
  4. Walsh, B., Ikeda, S. S. & Boland, G. J. (1999). Biology and Management of Dollar Spot (Sclerotinia homoeocarpa); an Important Disease of Turfgrass. HortScience 34, 13–21
  5. Allen, T. W., Martinez, A. & Burpee, L. L. (2005). Dollar spot of turfgrass. The Plant Health Instructor https://doi.org/10.1094/PHI-I-2005-0217-02
  6. Golembiewski, R. C. (1995). Detection of Demethylation Inhibitor (DMI) Resistance in Sclerotinia homoeocarpa Populations. Plant Disease 79, 491 https://doi.org/10.1094/PD-79-0491
  7. Detweiler, A. R. (1983). Resistance of Sclerotinia homoeocarpa to Iprodione and Benomyl. Plant Disease 67, 627 https://doi.org/10.1094/PD-67-627
  8. Burpee, L. L. (1997). Control of Dollar Spot of Creeping Bentgrass Caused by an Isolate of Sclerotinia homoeocarpa Resistant to Benzimidazole and Demethylation-Inhibitor Fungicides. Plant Disease 81, 1259–1263 https://doi.org/10.1094/PDIS.1997.81.11.1259
  9. Hsiang, T., Yang, L. & Barton, W. (1997). Baseline sensitivity and cross-resistance to demethylation-inhibiting fungicides in Ontario isolates of Sclerotinia homoeocarpa. European Journal of Plant Pathology 103, 409–416 https://doi.org/10.1023/A:1008671321231
  10. Hsiang, T., Liao, A. & Benedetto, D. (2007). Sensitivity of Sclerotinia homoeocarpa to demethylation-inhibiting fungicides in Ontario, Canada, after a decade of use. Plant Pathology 56, 500–507 https://doi.org/10.1111/j.1365-3059.2007.01573.x
  11. Mocioni, M., Gullino, M. L. & Garibaldi, A. (2012). Sensitivity of Sclerotinia homoeocarpa isolates from turfgrass in Italy to demethylation-inhibiting (DMI) fungicides and iprodione. Phytopathologia Mediterranea 50, 408–413 https://doi.org/10.14601/Phytopathol_Mediterr-8836
  12. Jo, Y.-K., Niver, A. L., Rimelspach, J. W. & Boehm, M. J. (2006). Fungicide Sensitivity of Sclerotinia homoeocarpa from Golf Courses in Ohio. Plant Disease 90, 807–813 https://doi.org/10.1094/PD-90-0807
  13. Baird, P. (2005). Determining Dollar Spot Fungicide Resistance in Tennessee and Northern Mississippi. Masters Theses University of Tennessee,
  14. Jo, Y.-K., Won Chang, S., Boehm, M. & Jung, G. (2008). Rapid Development of Fungicide Resistance by Sclerotinia homoeocarpa on Turfgrass. Phytopathology 98, 1297–1304 https://doi.org/10.1094/PHYTO-98-12-1297
  15. Popko, J. T., Ok, C.-H., Campbell-Nelson, K. & Jung, G. (2011). The Association Between In Vitro Propiconazole Sensitivity and Field Efficacy of Five New England Sclerotinia homoeocarpa Populations. Plant Disease 96, 552–561 https://doi.org/10.1094/PDIS-06-11-0524
  16. Popko, J. T. et al. (2018). Resistance of Sclerotinia homoeocarpa Field Isolates to Succinate Dehydrogenase Inhibitor Fungicides. Plant Disease 102, 2625–2631 https://doi.org/10.1094/PDIS-12-17-2025-RE
  17. Bennett, F. T. (1937). DOLLARSPOT DISEASE OF TURF AND ITS CAUSAL ORGANISM, SCLEROTINIA HOMOEOCARPA N.SP. Annals of Applied Biology 24, 236–257 https://doi.org/10.1111/j.1744-7348.1937.tb05032.x
  18. Smiley, R. W., Dernoeden, P. H. & Clarke, B. B. (Amer Phytopathological Society, 2005). Compendium of Turfgrass Diseases.
  19. Smith, D. L. et al. (2018). Development and validation of a weather-based warning system to advise fungicide applications to control dollar spot on turfgrass. PLOS ONE 13, e0194216 https://doi.org/10.1371/journal.pone.0194216
  20. Hall, R. (1984). Relationship Between Weather Factors and Dollar Spot of Creeping Bentgrass. Can. J. Plant Sci. 64, 167–174 https://doi.org/10.4141/cjps84-021
  21. Endo, R. M. (1963). Influence of temperature on rate of growth of five fungus pathogens of turfgrass and on rate of disease spread. Phytopathology 53, 857–861
  22. Couch, H. B. (Krieger Pub Co, 1995). Diseases of Turfgrasses.
  23. Burpee, L. L. & Goulty, L. G. (1986). Evaluation of Two Dollarspot Forecasting Systems for Creeping Bentgrass. Can. J. Plant Sci. 66, 345–351 https://doi.org/10.4141/cjps86-049
  24. Mills, G. & Rothwell, J. D. (1982). Predicting diseases the hygrothermograph. Greenmaster 8, 14–15
  25. Cook, J. et al. (2016). Consensus on consensus: a synthesis of consensus estimates on human-caused global warming. Environ. Res. Lett. 11, 048002 https://doi.org/10.1088/1748-9326/11/4/048002
  26. GIEC. (2018). Global warming of 1.5°C. Rapport Special IPCC 26p. https://report.ipcc.ch/sr15/pdf/sr15_spm_final.pdf
  27. Yue, S. & Pilon, P. (2004). A comparison of the power of the t test, Mann-Kendall and bootstrap tests for trend detection / Une comparaison de la puissance des tests t de Student, de Mann-Kendall et du bootstrap pour la détection de tendance. Hydrological Sciences Journal 49, 21–37 https://doi.org/10.1623/hysj.49.1.21.53996
  28. Yue, S. & Wang, C. (2004). The Mann-Kendall Test Modified by Effective Sample Size to Detect Trend in Serially Correlated Hydrological Series. Water Resources Management 18, 201–218 https://doi.org/10.1023/B:WARM.0000043140.61082.60